在最新的AI研究報道中，Google DeepMind推出了一項名為“優化通過提示(OPRO)”的技術，將大型語言模型(LLM)作為其自身提示的優化器。該方法旨在通過自然語言描述問題，指導LLM生成和改進解決方案，從而提高提示性能。

　　OPRO的工作方式相對簡單，使用LLM作為優化器，但與使用數學公式不同，它采用自然語言描述優化問題，指導LLM迭代生成和改進解決方案。這對于提示優化等問題特別有用，因為在這些情況下，梯度不容易獲取。

　　該技術以“元提示”作為輸入，由任務的自然語言描述以及一些問題和解決方案的示例組成。在優化過程中，LLM基于問題描述和元提示中的先前解決方案生成候選解決方案。然后，OPRO評估這些候選解決方案的結果，并將它們與其質量得分一起添加到元提示中。這個過程重復進行，直到模型不再提出具有改進得分的新解決方案。

　　LLM作為優化器的一個關鍵優勢是它們能夠處理自然語言指令，這使用戶能夠描述優化任務而無需形式規范。例如，用戶可以指定“準確性”等度量標準，同時提供其他指令，如要求模型提供簡潔且普遍適用的解決方案。

　　OPRO還充分利用了LLM對上下文模式的識別能力，通過在元提示中包含的示例來識別優化軌跡。這一方面是OPRO的核心魔力，因為LLM將語言視為數字令牌，可以發現人類觀察不到的模式。

　　DeepMind在線性回歸和“旅行推銷員問題”等兩個著名的數學優化問題上測試了OPRO，并展示了在這些情況下的有望結果。然而，OPRO的真正潛力在于優化LLM的使用，如ChatGPT和PaLM。

　　DeepMind的研究顯示，OPRO可以引導LLM優化其自身提示，即找到最大化特定任務響應準確性的提示。例如，為了發現解決詞數學問題的最佳提示，一個“優化器LLM”被給予一個包含指令和示例的元提示，其中包含優化提示的占位符。模型生成一組不同的優化提示，并將它們傳遞給一個“評分LLM”，該LLM在問題示例上測試它們并評估結果。最佳提示及其分數被添加到元提示的開頭，然后重復這個過程。

　　研究人員使用PaLM和GPT系列的多個LLM對該技術進行了評估，根據實驗，所有模型都能通過迭代優化提高生成提示的性能。

　　雖然DeepMind尚未發布OPRO的代碼，但該技術的概念直觀且簡單，可以在幾小時內創建一個自定義實現。這里分享一個由LlamaIndex制作的使用OPRO增強LLM在檢索增強生成(RAG)任務上性能的逐步指南感興趣的可以訪問閱讀。

　　OPRO是利用LLM優化其性能的多種技術之一，這一領域正在積極探索各種主題，包括越獄和紅隊行動，研究人員正在不斷釋放大型語言模型的全部潛力。